为什么 VLA 能叠毛巾，却测不准物体位姿？

以下文章来源于具身智能之心 ，作者Zheng Geng等 玩过机器人操作的朋友都知道，"抓零件""放调料瓶" 这类需要精准交互的任务，核心是 "靠空间感知说话"——得知道物体的 3D 位置（平移）和朝向（旋转）， 还要确保测算的尺度与真实世界一致。可现有方法总在 "妥协"：要么依赖预先扫描的 CAD 模型（现实中根本找不到那么多），要么需要多视角图像（实时场景 中哪来得及拍），就算是单视图重建，也会陷入 "不知道物体真实大小" 的尺度模糊困境。 这就导致了鲜明的能力断层：VLA 能靠视觉规划完成 "叠毛巾" 这类不依赖精准空间定位的任务，却在 "抓陌生物体" 这类需要 6D 位姿支撑的操作上寸步难行。 根本原因在于， 仅凭 RGB 视觉和语言指令，无法构建 "生成模型-真实物体-空间姿态" 的闭环关联 ——而机器人与物理世界的交互，恰恰依赖这种精准的空间 感知。 基于此背景，由北京智源研究院、清华大学、南洋理工大学等机构联合提出的 OnePoseViaGen，给出了一套颠覆性解决方案：它不需要预设 3D 模型，仅凭一张 参考图，就能通过 "单视图 3D 生成 + 粗精对齐 + 文本引导域随机化" 的组合拳，完 ...